hệ thống hỗ trợ dự báo lượng tiêu thụ kem và đồ tráng miệng đông lạnh

=> Vì vậy cần có kế hoạch sản xuất hợp lý để mang lại hiệu quả cao cho doanh nghiệp Hay cần phân tích để đưa ra lượng tiêu thụ kem và món tráng miệng đông lạnh cho các tháng tiếp theo...

HỆ HỖ TRỢ QUYẾT ĐỊNH

ĐỀ TÀI : HỆ THỐNG HỖ TRỢ DỰ BÁO

LƯỢNG TIÊU THỤ KEM VÀ ĐỒ TRÁNG MIỆNG ĐÔNG LẠNH

1 ĐIỀU TRA, KHẢO SÁT

2 DỮ LIỆU

3 MÔ HÌNH DỰ BÁO

4 ÁP DỤNG MÔ HÌNH

5 ĐÁNH GIÁ KẾT QUẢ

MỤC LỤC

1 ĐIỀU TRA, KHẢO SÁT

Quản lý khâu sản xuất đóng một vai trò vô cùng quan trọng của doanh nghiệp, nhà máy Một trong những những công đoạn quan trọng đó là phân tích và đưa ra số lượng nhu cầu của thị trường Điều này giúp doanh nghiệp tránh được rủi ro có thể trong sản xuất như sản xuất ra mà lượng cung vượt quá nhiều

so với cầu hay ngược lại

Sản xuất dư thừa (Overproduction): Lượng cung cao hơn nhiều so với cầu dẫn đến dư thừa gây lãng phí

Sản xuất thiếu: gây nên mất cơ hội tăng doanh thu cho doanh nghiệp đồng thời đã giúp đối thủ

=> Vì vậy cần có kế hoạch sản xuất hợp lý để mang lại hiệu quả cao cho doanh nghiệp

Hay cần phân tích để đưa ra lượng tiêu thụ kem và món tráng miệng đông lạnh cho các tháng tiếp theo

2 DỮ LIỆU KHẢO SÁT

Dữ liệu là lượng tiêu thụ kem và đồ tráng miệng đông lạnh theo tháng ở Mỹ từ 1/1972 – 12/2019 (đơn vị: million gallons)

Số lượng : 576 bản ghi Nguồn: Kaggle

3 MÔ HÌNH DỰ BÁO

CHUỖI THỜI GIAN CÓ YẾU TỐ MÙA VỤ

Tính mùa vụ: Chuỗi thời gian có tính mùa vụ khi các giá trị trong chuỗi thời gian thay đổi theo chu kỳ và lặp lại VD: doanh thu bán hàng, mùa du lịch hàng năm,…

Xử lý: Sử dụng mô hình SARIMA

3 MÔ HÌNH DỰ BÁO

Các bước thực hiện trong phân tích chuỗi thời gian sử dụng mô hình SARIMA

Bước 1: Kiểm tra tính dừng

Bước 2: Nhận dạng mô hình: xác định các tham số

Bước 3: Ước lượng mô hình: xác định các hệ số bằng phương pháp ước lượng hợp lý cực đại

Bước 4: Kiểm định tính hợp lý của mô hình SARIMA được lựa chọn, bao gồm kiểm định các tham số và kiểm định phần dư Nếu kiểm định mô hình được lựa chọn không thỏa mãn

thì quay lại từ giai đoạn nhận dạng để lựa chọn mô hình khác hợp lý hơn

Bước 5: Dựa trên mô hình được lựa chọn thực hiện dự báo giá trị tương lai của dữ liệu chuỗi mùa vụ Giá trị tương lai có thể được dự báo cho thời điểm kế tiếp hoặc mùa vụ kế tiếp

3 MÔ HÌNH DỰ BÁO

4 ÁP DỤNG MÔ HÌNH

Ước lượng tham số mô hình

Quy trình thực hiện :

Phân tích dữ liệu

Lựa chọn mô hình

Đưa ra dự báo Ước lượng các hệ số mô hình

Kiểm tra tính phù hợp của mô hình

4 ÁP DỤNG MÔ HÌNH

Đồ thị phân tích dữ liệu cả nước bao gồm Dữ liệu gốc, Xu hướng, Mùa vụ, Phần dư

Dữ liệu có xu hướng tuyến tính + mùa vụ là năm

Phân tích dữ liệu

4 ÁP DỤNG MÔ HÌNH

Lựa chọn mô hình

 Kiểm định tinh dừng

Dùng phép thử Augmented Dickey-Fuller (*)

Ta thu được :

=> Chuỗi thời gian là dừng sau khi lấy sai phân

(do p-value = 0.00000 < 0.05 ) => d = 1 ,D = 1 (chu kì 12 tháng) là bậc sai phân của mô hinh

(*) Tham khảo :

Wayne A.Fuller, Introduction to Statistical Time Series, second ed., New York:

John Wiley and Sons, 1996

4 ÁP DỤNG MÔ HÌNH

Lựa chọn mô hình

Dựa vào đồ thị tự tương quan và tự tương quan riêng phần ta thấy cả 2 đồ thị giảm chậm sau độ trễ thứ 3

=> p=q=3 => đã thu được

p=q=3, d = 1

4 ÁP DỤNG MÔ HÌNH

Lựa chọn tham số cho thành phần mùa

Dựa vào đồ thị tự tương quan và tự tương quan riêng phần theo chu kì L=12 ta thấy ACF có bước nhảy giảm với khoảng thời gian Q=1 và PACF giảm chậm

=> Q=1, P=0 => ta thu được

P=0, D=1, Q=1 , S=12

4 ÁP DỤNG MÔ HÌNH

Ước lượng tham số mô hình

Ta lần lượt thử các mô hình với p = 0,1,2,3; d = 1; q=0,1,2,3 trong mô hình SARIMA: và tinh giá trị tiêu chuẩn AIC (Akaike Information Criterion):

Với n là số các tham số trong mô hình (gồm cả hằng số)

=> Ưu tiên chọn mô hình có AIC nhỏ nhất

4 ÁP DỤNG MÔ HÌNH

Ước lượng tham số mô hình

=> Mô hình với tham số =

4 ÁP DỤNG MÔ HÌNH

Ước lượng các hệ số mô hình

Sử dụng phương pháp ước lượng hợp lý cực đại (maximum likelihood) Ta thu được các ước lượng tham số của mô hình như hình :

Kiểm tra tính phù hợp của mô hình

 Các sai số là độc lập với nhau

Dựa vào đồ thị tự tương quan của chuỗi phần dư

+ ngoài ra tiến hành phép kiểm định Lijung-Box kiểm tra tinh không tương quan của chuỗi phần dư ta thu được kết quả :

Giá trị p-value = 0.576128 > 0.05 nên ta không có cơ sở bác bỏ giả thuyết gốc

=> Không tồn tại hiện tượng tự tương quan trong chuỗi phần dư

Dựa vào đồ thị xác suất phân phối chuẩn (normal Q-Q plot)

 Các sai số tuân theo phân phối chuẩn

Kiểm tra tính phù hợp của mô hình

4 ÁP DỤNG MÔ HÌNH

Đưa ra dự báo

Kết quả dự báo trong 2 năm 2018 - 2019

5 ĐÁNH GIÁ KẾT QUẢ

PHẦN TRĂM SAI SỐ TRUNG BÌNH TUYỆT ĐỐI(MAPE)

2018

2019

2.33 %

2.31%

5 ĐÁNH GIÁ KẾT QUẢ

Dự báo trong năm tiếp theo